APLICACIN DEL DISEO DE CONTROL MULTIOBJETIVO Y MULTIVARIABLE, CON ALGORITMOS GENTICOS, AL PROCESO DE LA FERMENTACIN DE LA CERVEZA

Andrs-Toro, B., Girn-Sierra, JM., Besada-Portas, E., Fernndez Blanco, P., Lpez-Orozco, JA. Departamento de Arquitectura de Computadores y Automtica Universidad Complutense de Madrid 28040 Madrid, Espaa deandres@dacya.ucm.es 1. INTRODUCCIN En la actualidad el problema ms importante que tienen las grandes empresas industriales es el de la optimizacin de recursos. Obtener un buen producto debe ser compatible con otros objetivos: minimizar costes y maximizar beneficios. Por eso en el caso de la produccin de cerveza hemos investigado cmo obtener una accin de control en el momento de la elaboracin que consiga el ndice adecuado de alcohol, con un mximo de calidad y minimizando los riesgos de contaminacin, los costes energticos, las fluctuaciones de las temperaturas en los tanques y el tiempo de fermentacin. La Industria ejerce el control del proceso actuando sobre la temperatura de los tanques. Como una alternativa a los mtodos tradicionales de optimizacin los Algoritmos Genticos (AG) ofrecen la oportunidad de conseguir unos resultados satisfactorios reduciendo el coste computacional y simplificando la programacin [9]. Sus variantes multiobjetivo, englobadas en los Algoritmos Evolutivos Multiobjetivo [11] pueden emplearse para tratar los problemas del mundo real que presentan un comportamiento con intereses mltiples. Su aplicacin en procesos industriales es una tcnica novedosa [6]. En este artculo se considera un problema que engloba muchos objetivos finales: conseguir una trayectoria ptima de temperaturas de produccin para un sistema dinmico y al mismo tiempo lograr un control dinmico (que dirija al sistema a lo largo de la trayectoria ptima) con buenas propiedades. Es un problema multivariable en el que se pretenden cumplir ocho objetivos diferentes. La fermentacin es un proceso que se controla por medio del perfil de temperaturas. Para conseguir la trayectoria de la temperatura, algunas veces debe aadirse calor al sistema y otras extraerse. Se desea obtener la mejor cerveza en el menor tiempo posible: ese es el objetivo final de la presente investigacin. Pero el control del proceso, que obliga al mismo a seguir el perfil de temperaturas, debe resultar ejecutable. Cumplir unas condiciones mnimas de que lo hagan aplicable al proceso real en una planta industrial de fermentacin debe ser otro objetivo a cumplir. Adems, junto al grado de etanol de la cerveza debe estar asegurada su calidad y para ello los subproductos (diacetil, acetatos,) deben cumplir una serie de restricciones.

Las tcnicas utilizada por los autores para optimizar el proceso de la fermentacin de la cerveza, incluyendo la minimizacin de las variables objetivos y el cumplimiento de las restricciones impuestas por la industria, son Algoritmos Evolutivos Multiobjetivo basados en Pareto conjuntos de soluciones [10]. Durante la investigacin se han desarrollado tres algoritmos distintos, en los que la optimizacin del tiempo del proceso de fermentacin se trata de forma diferente. En el primer algoritmo se considera el tiempo de proceso constante durante una optimizacin (150, 140, 130, horas) y se obtienen los perfiles ptimos de control para diferentes tiempos de proceso. En el segundo algoritmo se incluye el tiempo total de proceso como objetivo a optimizar. En el ltimo, se ha introducido una nueva representacin especial del cromosoma del AG que incorpora conocimiento especfico del proceso de optimizacin y genera perfiles de temperatura y energa ms suaves. Todos los AG han sido implementados con la herramienta EVOCOM, desarrollada durante los dos ltimos aos [5] por este grupo investigador, muy sencilla de manejar y adaptable a un amplio rango de problemas. Ha sido utilizada con xito en otros problemas de optimizacin, como por ejemplo minimizar el ndice de mareo en un barco de alta velocidad [7]. 2. FORMULACIN DEL PROBLEMA: LA FERMENTACIN DE LA CERVEZA ES UN PROBLEMA MULTIOBJETIVO El proceso de la fermentacin del mosto para la obtencin de la cerveza es de sobra conocido por los lectores de esta revista. Este grupo investigador ha desarrollado un modelo matemtico que describe dicho proceso y lo ha expuesto en varias revistas y congresos internacionales [1], [2], as como en esta misma revista [3] y [15]. Bsicamente se pueden distinguir dos fases. Inicialmente la biomasa (levadura) est en un estado latente, y despus de una fase de espera de algunas horas, se vuelve activa. Esta biomasa activa es la responsable principal del proceso de fermentacin. Durante el mismo se producen etanol, acetato de etilo y diacetil, vase el esquema en la figura 1.
FERMENTACIN X-inicial LATENCIA X-latente

x
X-viable

X-viable X-no viable

Suspensin

D
Decantacin

Lat
Suspensin

X-viable
Decantacin

Fondo

Figura 1. Esquema general del modelo. El perfil de temperaturas, seguido durante el proceso, determina las cantidades finales de estos productos. stas a su vez, definen la calidad de la cerveza producida. Adems, hay que tener en cuenta que el proceso puede contaminarse si se excede una concentracin determinada de Lactobacillus Plantarum.

El proceso ha sido analizado en el laboratorio en una planta piloto consistente en un fermentador experimental (figura 2), donde se han reproducido las condiciones industriales para obtener los resultados ms prximos a la realidad.

Figura 2. Fermentador experimental La planta piloto se ha construido siguiendo los criterios prcticos que pasamos a enumerar: Un tanque a escala 1/10 de la usada por la industria. Tiene 100cm de altura y 35cm de dimetro, con un cono inferior de 15cm de altura, un volumen 100 litros, y es capaz de realizar la fermentacin de 80 litros de mosto. Est dotado de una camisa aislante que le rodea (de 45cm de dimetro). Un sistema de control de temperaturas que permite colocar al tanque a la temperatura deseada en cada instante mediante un doble circuito (refrigerante y calorfico). Un conjunto de sensores que permiten medir directamente las siguientes variables: temperatura, presin, turbidez, gas carbnico, pH. Mediante este conjunto de sensores se puede seguir la evolucin del proceso. Una computadora, que a travs de una placa de tomas de datos y de la electrnica adecuada permite el control del proceso, la actualizacin de los valores de las variables, su almacenamiento y la representacin grfica pertinente. Se han creado los programas precisos para la realizacin de las funciones anteriormente descritas. El sistema tiene un mecanismo que nos permite adecuar el esfuerzo trmico para controlar la temperatura del agua. De la medida de la turbidez dentro del fermentador hemos deducido la concentracin de la biomasa en suspensin. La doble ventana del tanque permite medir la turbidez en dos puntos estratgicos (uno en el centro geomtrico y otro en la parte superior donde se forma la espuma en una fase del proceso). Hay un cono inferior para la recoleccin del mosto decantado. El fermentador tiene varios sensores que permiten controlar en tiempo real el proceso de

fermentacin: un sensor de temperatura mide la temperatura del mosto, un sensor del pH hace saber inmediatamente si la fermentacin manifiesta sntomas de contaminacin, un sensor de CO2 indica el gas carbnico disuelto y un sensor de presin, que se coloca en el fondo del fermentador, obtiene el valor instantneo de la densidad del mosto. Se ha obtenido una correlacin entre el valor suministrado por el sensor de presin y el valor de la densidad del interior del fermentador, y a partir de la misma se ha calculado la concentracin de etanol en el medio. Una vez conocida sta, puede hallarse la razn de produccin de etanol, y saber si la fermentacin responde al modelo correctamente. Dos fotoclulas, una en la parte superior y otra en la inferior, permiten distinguir entre las fases de la fermentacin. La planta experimental tiene un sistema de enfriamiento - calefaccin para adaptar la temperatura del sistema al perfil prefijado. Un programa de control gobierna la actividad del sistema. Mediante un ordenador se hace el proceso de adquisicin de datos y el control en tiempo real. Se aplica un control inteligente basado en reglas. En la figura 3 se muestra un esquema de cmo se aplica el control inteligente al proceso una vez que se han obtenido los resultados expuestos en este artculo. Una descripcin ms detallada se encuentra en [3] y [4] Datos reales

Proceso y Sistema
Modelo del Proceso

Simulacin

Datos Simulados

Datos reales

Simulacin, Control y Datos

Mensajes

Energia (Cal/l)

Acciones de control

10 0

50

P e rfl E n e rg tic o

Juez
15 0

-5 0 - 10 0 0 50 100

Ti e m po (ho r as)
18

Temperatura (C)

16 14 12 10 8 0 50 100 15 0

P e rfl T e m pe ra tura s

Ti e m po (ho r as)

Figura 3. Esquema general del Control AI. Despus de 200 fermentaciones efectuadas para adquirir los datos y el conocimiento necesario, se ha establecido el modelo matemtico que se ha usado en la optimizacin multiobjetivo. Dicho modelo est descrito en [1] y [3]. El objetivo final de este estudio es obtener un perfil de temperaturas que al ser implementado por la industria (con un perfil de energa calorfica exterior que sea posible aplicar), minimice el tiempo de proceso y el riesgo de contaminacin, y alcance las concentraciones requeridas de etanol, diacetil y acetato de etilo. Teniendo en cuenta todo esto, se han establecido ocho objetivos en la optimizacin (figura 4) que han sido usados en las diferentes implementaciones con AG Multiobjetivo. Tres de los ocho objetivos son considerados restricciones (objetivos de alta prioridad), y los cinco restantes funciones objetivo que hay que optimizar (objetivos de baja prioridad). Las

restricciones son interpretadas como objetivos de la ms alta prioridad, los cuales deben ser satisfechos antes de optimizar los objetivos restantes.
AG Multiobjectivo

Restricciones (Alta prioridad)

Concentracin Etanol

Concentracin Acetato de Etilo

Concentracin Diacetil

Objectivos (Baja prioridad)

Minima energa

Minimo tiempo

Control suave

Perfil suave Temperatura

Minimo riesgo contaminacin

Figura 4. Problema multiobjetivo de la fermentacin de la cerveza La tabla 1 muestra las especificaciones de los objetivos y de las restricciones. La primera de las tres restricciones, J1, es la concentracin final de etanol. La cerveza debe alcanzar un nivel mnimo de etanol de 60g/l. Las otras dos restricciones son las concentraciones de diacetil (J2) y de acetato (J3) que determinan el buen sabor y olor. Se pueden poner ms, pero para esta experiencia nos hemos centrado en estas. El primer objetivo de baja prioridad (J 4), indica el riesgo de contaminacin de la cerveza por Lactobacillus Plantarum, cuya actividad aumenta mucho por encima de 16C. Obviamente debe ser minimizado. Este objetivo debera estar en el nivel anterior, pero consideramos que las condiciones de fbrica hacen que se cumpla siempre. Los perfiles de temperatura basados solamente en los 4 objetivos anteriores son demasiado en sierra comparados con el industrial, y resultan de imposible aplicacin por parte de la industria. As pues, se aade un nuevo objetivo (J5) para reducir al mnimo los cambios bruscos de temperatura. Adems, se modific el AG incluyendo procedimientos de bsqueda local (hill-climbing) para suavizar el perfil de temperatura [1], y se obtuvieron mejores perfiles. Suavizar el perfil de temperaturas (pocos dientes de sierra) no es el criterio ms adecuado porque lo que en definitiva nos interesa es que el gasto energtico sea mnimo y aplicable (en el criterio de la energa es donde no interesan grandes saltos en el perfil). Por tanto, deben incorporarse nuevos objetivos de bajo nivel para mejorar el control, reduciendo al mnimo la energa total e instantnea (J 6), y suavizndola (J7). J6 es un trmino cuadrtico (la suma del calor, caloras frigoras, consumido cada 0.1 hora) porque pretende incluir tanto la minimizacin del gasto energtico total del proceso, como la del gasto en cada intervalo de tiempo. J 7, representa la minimizacin de la mxima diferencia de energa entre dos intervalos. Se intentan evitar los picos en el consumo, favoreciendo el gasto uniforme de energa, y lograr mayor flexibilidad en las posibles soluciones que se obtengan. El ltimo objetivo es el tiempo total del proceso (J 8) que debe ser minimizado porque lgicamente a la industria le interesa que su producto est en la calle lo antes posible. La segunda columna de la Tabla 1 muestra el valor de los

diferentes objetivos; y las tres ltimas muestran cmo se consideran los diferentes objetivos durante el proceso de optimizacin. T1 muestra si el objetivo se considera una restriccin (objetivo de alto nivel H0) o una funcin que se optimizar (de bajo nivel S0); T2 indica si el valor debe estar por encima (o) o por debajo (u) de un valor, o minimizado (m); y T 3 si est relacionado con la calidad de la cerveza (Q), con la minimizacin del riesgo de contaminacin (R), con el control (C) o con el tiempo (T). Obj Funcin Significado Tipo T1 T2 J1 J2 J3 J4
J 1 = P1 .e tan ol final
J 2 = 5.73 e( 95 diacetil 11.51 )
J 3 = 1.16 e( 460acetato 66.7 )

T3 Q Q Q R

Concentracin final del etanol Concentracin final de diacetil Concentracin final de acetato Riesgo de contaminacin

H0 H0 H0 S0

o u u m

J 4 = P4 LB .dt
o

J5

J5 =

abs( T
i =1

time

i + 1 Ti )

Suavizado de la temperatura

S0

J6 J7 J8

J6= min

Q
i =1

time

2 i

Calor total e instantneo

S0 S0 S0

m m m

C C T

J7 =min( max Qi + 1 Qi
J 8 = min( Tiempototal )

Suavizado del perfil del calor Tiempo del proceso

Tabla 1. Objetivos en la fermentacin de la cerveza 3. ALGORITMOS GENTICOS MULTIOBJETVO 3.1 Descripcin de los Algoritmos Genticos Los algoritmos genticos son una tcnica inteligente empleada desde hace 25 aos [9]. Se han desarrollado muchas variantes desde entonces orientadas a diferentes problemas [11]. En el presente caso se ha empleado un AG panmtico, elitista, con alto acoplamiento, el cual incluye operadores de cruce, mutacin y seleccin, cuyas probabilidades de actuacin han sido elegidas de acuerdo con los resultados obtenidos en investigaciones previas [2]. Adems es un algoritmo mimtico [13], ya que incluye un operador de bsqueda local que acta cada cierto nmero de generaciones. Tiene poblacin variable y acepta inmigrantes (individuos obtenidos aleatoriamente en cualquier generacin). Es un problema multiobjetivo con mltiples restricciones [8]. Cada individuo de la poblacin representa un perfil de temperaturas en forma de secuencia de valores. El modo ms simple de representacin es utilizar una aproximacin discreta del perfil de temperatura. En los dos primeros algoritmos, el perfil se divide en intervalos iguales a una hora, y se almacenan los valores de la temperatura en los puntos de unin. La secuencia de los nmeros obtenidos se considera un individuo y cada gen representa la

temperatura despus de una hora. En este caso, cada gen es un nmero real entre 10C y 18C. Un ejemplo se puede considerar en la figura 4. El tamao de los intervalos se puede utilizar como otra variable del problema. En el ltimo AG presentado, cada individuo almacena la informacin de la temperatura en los puntos de finales de un intervalo y adems la longitud del intervalo. El AG determinar todos los valores por s mismo. Se puede observar un ejemplo tambin en la figura 4. Esta representacin especial (fcilmente implementada con la herramienta EVOCOM) presenta varias ventajas a la hora de optimizar el proceso de fermentacin de la cerveza. Los individuos generados aleatoriamente son mas suaves que los de la primera representacin porque el tamao del intervalo suele ser mayor que una hora. Adems el AG puede modificar tanto el tamao del intervalo como la temperatura final del mismo. Cuando los intervalos son los suficientemente grandes, estos cambios modifican suavemente el perfil durante varias horas. Consecuentemente, el AG obtiene habitualmente perfiles de temperatura suaves y por lo tanto es ms sencillo que se optimicen el resto de las variables.
Individuo = (11.3, 11.8, 11.0, 12.2, 10.2... .)
Temperatura (C)

10.2,11.7,11.7,10.5,12.4,... Individuo = 1.6,3.6,0.2,1.3,...

Temperatura (C)

Cromosoma con genes iguales

12.2 11.8 11.3 11.0 10.2 1h 1h 1h 10.2 12.7 11.7

Cromosoma con genes diferentes

12.4

10.5

1h

1h

.... Tiempo

1.6h

3.6h

0.2h

1.3h

.... Tiempo

Figura 4. Representacin del individuo 3.2 Algoritmos Genticos Multiobjetivo Un problema multiobjetivo consiste en optimizar simultneamente todos los componentes del vector que almacena los diferentes objetivos. Este tipo de problemas no tiene generalmente una solucin nica, puesto que los diferentes objetivos, son un conjunto de soluciones que no estn dominadas por otras. A este conjunto de soluciones se le denomina conjunto de soluciones de Pareto o frente Pareto, en honor del matemtico del s. XIX que estudi este tipo de problemas [12]. En la literatura se han presentado multitud de distintos AG multiobjetivo [6]. Todos ellos pueden agruparse en dos tipos: los que usan funciones agregadoras (en una sola funcin se incluyen todos los objetivos) y los que emplean funciones no agregadoras. Adems, se puede diferenciar entre aqullos que estn basados en el frente de Pareto y aqullos que no lo estn. El presente problema se soluciona con tres AG diferentes que implementen tcnicas no agragadoras basadas en el conjunto Pareto de soluciones, introducida por Goldberg [9]. Esta tcnica facilita el aumento progresivo del nmero de objetivos y disminuye el riesgo de caer en ptimos locales. La principal ventaja es

que la solucin del problema es en realidad un conjunto mltiple de soluciones equivalentes entre s, de modo que el usuario tiene libertad para escoger la que ms se ajuste a un determinado compromiso. Muchos investigadores han desarrollado diferentes AG multiobjetivo de acuerdo con la idea de Goldberg. Fonseca y Fleming [8] propusieron un mtodo multiobjetivo basado en objetivos (restricciones y optimizaciones), prioridades y en el frente Pareto. Los objetivos se pueden ordenar en diferentes niveles de prioridad, y se imponen restricciones para cada uno de ellos. La principal ventaja de esta tcnica es que es capaz de ver superficies tanto cncavas como convexas, evitando los ptimos locales. Su principal inconveniente es que favorece unos objetivos sobre otros, de modo que la poblacin converge hacia una zona particular del frente Pareto, en vez de cubrirlo en su totalidad. En lnea con la aproximacin de Fleming y de Fonseca los AG utilizados consideran diferentes niveles de prioridad. El mtodo ha sido modificado, de modo que las restricciones, que se colocaron en el nivel de prioridad mxima, se consideran optimizadas una vez que se cumplen; y que los valores del resto de los objetivos se discretizan en intervalos. Esto hace que dos individuos distintos puedan tener los mismos valores en sus funciones objetivo y facilita la evolucin de los AG hacia las zonas ptimas. Los tres AG utilizados se diferencian en la forma en la que se trata la optimizacin del tiempo total de proceso fermentativo: El primero, el AG multiobjetivo por niveles, considera que el intervalo de tiempo y el tiempo total del proceso son constantes en cada experimento. Se ejecuta el algoritmo para diferentes tiempos de proceso y se comparan las diferentes soluciones obtenidas. El segundo algoritmo, el AG multiobjetivo con intervalos constantes, incluye como objetivo la optimizacin del tiempo total de proceso (J 8). El tamao de los intervalos se mantiene constante. En el ltimo, el AG con intervalos variables, el tamao de cada intervalo es tambin variable para cada individuo. Deben incluirse nuevos operadores de cruce, mutacin e inicializacin, los cuales incorporan cierto conocimiento del problema. Este algoritmo tambin optimiza el tiempo total del proceso. La figura 5 muestra la jerarqua de niveles empleada en los objetivos del proceso fermentativo, y resume las diferencias entre los tres AG multiobjetivo. Los tres incluyen en el nivel superior las tres restricciones (J 1, J2 y J3), ya que estas condiciones deben satisfacerse antes de poder optimizar el resto de objetivos. Una vez que se ha garantizado esto, el procedimiento tiene en cuenta al segundo nivel, donde se incluye la minimizacin del riesgo de contaminacin (J4), el calor total e instantneo (J 6), y la suavidad del calor exterior aportado o extrado (J 7). Finalmente, en el tercer nivel est el suavizado del perfil de temperaturas (J5). El primer algoritmo (Pareto1) no optimiza el tiempo total de proceso. El segundo algoritmo (Pareto2) incluye las caractersticas del primero, aadiendo la optimizacin del tiempo de proceso. Por ltimo, el tercer algoritmo (Pareto3), adems de optimizar el tiempo total, utiliza una nueva representacin.

Algoritmo Gentico Multiobjective Multiobjetivo

Nivel 1 (restricciones)

Etanol J1

Diacetil J2

Acetato J3

Pareto 1 Nivel 2 Control Evitar EnergaTotal Avoid Suave Contamin. J 6 energy spoiling J7 J4 Temperaturas Temperature suaves smoothness J5

Pareto 2

Pareto 3 Control + Tamao interv. variable. smoothness (Representation)

++

Tiempo Total Total time J8

Nivel 3

Figura 5. Jerarqua de objetivos por niveles en los AG con funciones no agregadoras

4. RESULTADOS EXPERIMENTALES Presentamos a continuacin los resultados experimentales obtenidos con los diferentes AG. En la figura 6 se muestra el perfil industrial que se va a optimizar. En esta figura se incluye tambin el control que con nuestro modelo se debe ejercer sobre la energa (calor externo) para obtener dicho perfil. De este modo se puede comparar el perfil industrial con los resultados encontrados con los distintos algoritmos (teniendo en cuenta que los ejes de las grficas no son los mimos en todas las figuras).
100

Energia (Cal/l)

50

Pe rfl Ene rgtico

0 -50 -100 0 20 40 60 80 100 120 140 160

Ti empo (horas)

Temperatura (C)

15

10

Pe rfl Te m pe raturas

20

40

60

80

100

120

140

160

Ti empo (horas)

Figura 6. Perfil industrial de la fermentacin de la cerveza Es importante destacar que en los resultados obtenidos por los tres AG se cumplen todas las restricciones del problema, debido a las caractersticas del mtodo Pareto elegido. 4.1 Resultados con AG multiobjetivo por niveles Estos AG, explicados previamente, son una primera aproximacin al problema. Se han utilizado tiempos del proceso fermentativo comprendidos entre 120 y 160 horas. En la siguiente tabla se muestran los resultados obtenidos para cada uno de los objetivos para 150, 140, 130 y 120 horas de proceso y para el perfil industrial (ltima fila). Segn nuestro modelo experimental, los perfiles de 150, 130 y 140 horas obtenidos por el AG son mejores que el industrial ya que se han optimizado todos los objetivos (adems de cumplirse las restricciones). El perfil de 120 horas tiene un

comportamiento similar al industrial: se empeora el consumo energtico a costa de mejorar el tiempo total de proceso y disminuir el riesgo de contaminacin. En la figura 7 se muestran el perfil energtico y de temperatura obtenidos para el caso de 130 horas. El perfil energtico es mas abrupto que el industrial, aun as se considera mejor, porque el salto mayor es ms pequeo y el valor que optimiza el consumo total e instantneo menor.

J4 5 5 5 10 15

J5 J6 J7 Horas 15.7 4.4904e+005 40 150 13 4.1004e+005 20 140 13.5 6.8906e+005 30 130 17.1 1.0009e+006 40 120 17.0 8.2238e+005 50 170 Tabla 2. Resultados experimentales e industrial para el AG por niveles.
100

Energia (Cal/l)

50 0 -50 -100

P e rfl E ne rg tic o

50

100

150

Ti e m po (ho r as)
18

Temperatura (C)

16 14 12 10 8 0 50

P e rfl T e mpe ra tura s

100

150

Ti e m po (ho r as)

Figura 7. Perfiles con AG multiobjetivo por niveles 4.2 AG multiobjetivo con intervalos constantes Despus de los resultados prometedores obtenidos con el algoritmo previo se aade, como objetivo adicional, la minimizacin del tiempo total del proceso. Los resultados de este algoritmo se muestran en la figura 8. El AG genera individuos cuyo tiempo total del proceso est incluido en el rango [120, 160] horas. El ptimo presentado en la figura se encontr para 125 horas.
100

Energia (Cal/l)

50

P e rfl Energtico

0 -50

-100 0 50 100 150

Ti e m po (ho r as)
18

Temperatura (C)

16 14 12 10 8 0 50

P e rfl T empera turas

100

150

Ti e m po (ho r as)

Figura 8. Perfiles con AG multiobjetivo con intervalos constantes Aunque el tiempo total del proceso se ha reducido, el perfil no es todava lo bastante bueno para poder utilizarlo en las aplicaciones reales. Adems, despus de ejecutar sucesivamente todos los AG anteriores, se obtienen diferentes

ptimos, lo cual indica que todos los algoritmos caen en ptimos locales. Esto es debido a la complejidad del problema y a las propias caractersticas de los algoritmos. Despus de varias generaciones, nicamente se mejoran los individuos que son ligeramente modificados por los operadores del AG. Es decir, un buen perfil seleccionado al principio es la semilla del ptimo final. Despus de unas pocas generaciones los inmigrantes son demasiado dentados para ser seleccionados, y por tanto no aportan nueva informacin al AG. Esta situacin se puede resolver incorporando en el AG conocimiento especfico del problema. El uso de esta tcnica nos ha conducido hacia el ltimo de los AG presentados en este artculo. 4.3 AG multiobjetivo con intervalos variables Con esta ltima versin, donde los intervalos de cada individuo tienen una longitud variable, se obtiene un conjunto muy grande de soluciones, todas ellas pertenecientes al frente de Pareto. Se han diseado nuevos operadores cruce y mutacin del AG, para incorporar el conocimiento adquirido en los algoritmos anteriores. De este modo los individuos generados aleatoriamente son mejores y adems, fcilmente mejorables por el AG. Por tanto, los inmigrantes tienen mayores posibilidades de ser seleccionados incluyendo as nuevos esquemas al AG en cada generacin, y el AG puede evolucionar ms fcilmente hacia las zonas donde se encuentran los ptimos. Los resultados de este ltimo algoritmo proporcionan un conjunto de noventa soluciones todas igualmente ptimas, entre las cuales es posible seleccionar la ms conveniente para efectuar el control. Adems, dependiendo de las necesidades, se puede seleccionar la solucin que optimice uno de los objetivos en concreto. Otra ventaja del mtodo, no apreciable en las grficas, es que el nmero de variables de cada individuo es menor que con los AG anteriores. Por ejemplo, el mejor individuo de un AG anterior tena 125 genes (uno por hora), mientras que un individuo del conjunto Pareto que representa 150 horas, puede tener 60 genes (30 para temperaturas y 30 para los tamaos de los intervalos). En la tabla 3 se muestran los perfiles del conjunto Pareto con menor riesgo de contaminacin, perfil de temperaturas mas suaves, mejor control (menor consumo energtico y perfil energtico mas suave) y menor tiempo de proceso total. En la ltima fila de la tabla se presentan los valores del perfil industrial. En cada uno de los casos el valor obtenido por el AG es mejor que el industrial. Sin embargo, alguno de estos perfiles empeora significativamente alguno del resto de los valores. En vez de escoger el mejor perfil de cada uno de los valores a optimizar se puede buscar dentro del conjunto Pareto algn perfil que, aun no siendo el optimo para uno de los valores, optimice en conjunto todos los valores del perfil industrial. En este caso se observa que el perfil de menos riesgo optimiza tambin el resto de las variables. En la figura 9 se muestran los perfiles obtenidos para los cuatro casos recogidos en la tabla 3. De los cuatro perfiles elegidos, a continuacin se comentan dos de ellos.

J4 5 85 45 40 15

J5 J6 J7 J8 Perfil 10.2 4.3846 e+5 20 130 Menor riesgo 1.591 e+5 10 140 Temp. ms suave 6.7 6.8 150 Mejor control 1.4051 e+5 10 15.1 9.4131 e+5 50 Menos horas 115 17.0 8.2238e+005 50 170 Industrial Tabla 3. Resultados experimentales e industrial para el AG con intervalos variables.

El perfil que tiene el mejor control, ya que hace simultneamente mnimo el consumo y optimiza la suavidad del perfil energtico se presenta en la figura 9c). El tiempo total de la fermentacin es de 150 horas. Se observa que los perfiles de energa y de temperaturas son muy suaves, por lo que resulta fcilmente aplicable industrialmente. Si se compara con la figura 6, se observa que el perfil energtico es ms suave que el industrial y que se ha reducido el tiempo total necesario para la fermentacin, lo cual repercutir en un aumento de la produccin, adems de disminuir el coste energtico. El perfil que minimiza el tiempo total de proceso (115 horas) se presenta en la figura 9d). Esto supone una mejora de 55 horas respecto al tiempo empleado por la industria. Sin embargo, los perfiles de temperatura y de la energa son algo ms abruptos, hecho que dificulta su aplicabilidad.
100 100

Energia (Cal/l)

50

Energia (Cal/l)

P e rfl E n e rg tic o

50

P e rfl E n e rg tic o

0 -5 0 -1 0 0 0 50 100 150

-5 0

-1 0 0 0 50 100 150

T ie m p o (h o ra s )
18 18

Ti e m p o ( h o r as )

Temperatura (C)

16 14 12 10 8 0 50

Temperatura (C)

P e rfl T e m p e ra tu ra s

16 14 12 10 8 0 50 100 150

P e rfl T e m p e ra tu ra s

100

150

T ie m p o (h o ra s )

Ti e m p o ( h o r as )

a) Menor riesgo de contaminacin

100

b) Perfil de temperaturas ms suave

100

Energia (Cal/l)

Energia (Cal/l)

50

P e rfl E ne rg tic o

50

P erfl E nergtico

0 -50 -100 0 50 100 150

0 -50 -100 0 50 100 150

Ti e m po (ho r as)
18 18

Ti e m po (ho r as)

Temperatura (C)

16 14 12 10 8

Temperatura (C)

16 14 12 10 8 0 50 100 150

P e rfl T e mpe ra tura s

P e rfl T e mpera tura s

50

100

150

Ti e m po (ho r as)

Ti e m po (ho r as)

c) Mejor control

d) Mejor tiempo

Figura 9. Perfiles con AG multiobjetivo con intervalos variables

5. CONCLUSIONES Dada la importancia que, para las Empresas Cerveceras, tiene la optimizacin del proceso, en este artculo se presentan diferentes mtodos basados en Algoritmos Inteligentes Evolutivos para tratar la optimizacin multiobjetivo del problemas dinmico de la fermentacin. De las muchas posibilidades que hay se proponen tres que adoptan la aproximacin del frente Pareto de soluciones. Se han obtenido perfiles de temperatura de fermentacin que cumplen con satisfaccin los objetivos propuestos al inicio de la investigacin. No se ha pretendido ser exhaustivo en cuanto al nmero e importancia de los mismos. Es un ejemplo de lo que se puede hacer. Cada Industria debe fijar sus objetivos y su prioridad. Evidentemente, el proceso objeto de estudio ha sido la fermentacin de la cerveza, pero el mtodo es aplicable a muchos otros problemas de control. La principal ventaja de los AG multiobjetivo que se han empleado es su versatilidad para aadir diferentes restricciones y objetivos. El AG multiobjetivo con intervalos variables permite al usuario elegir entre un conjunto de soluciones, todas igualmente buenas para el AG, pero con propiedades diferentes que servirn al usuario para decidir cual prefiere segn un requisito final. En el caso concreto que se presenta, se han conseguido mltiples soluciones que mejoran el gasto energtico, reduce el tiempo total del proceso fermentativo y logra suavizar el perfil de temperaturas y de control. REFERENCIAS [1] Andrs-Toro, B., Girn-Sierra, J.M., Lpez-Orozco, J.A., Peinado, J.M. A kinetic model for beer production under industrial operational conditio. Mathematics and Computers in Simulation, vol. 48 n 1. 1998. [2] Andrs-Toro, B., Girn-Sierra, J.M., Lpez-Orozco, Fernndez-Blanco, P. A Genetic Optimization Method for Dynamic Processes. The 14th World Congress. IFAC Beijing, P.R. China. Pergamon Editorial. 1999. [3] AndrsToro, B., Girn-Sierra, JM., Torija Isasa, M., Cmara Hurtado,M., Modelizacin y Control de la fermentacin industrial de la Cerveza. Estudio experimental. Alimentacin, Equipos y Tecnologa. Ed. Alcin. n 4 Mayo 1999. [4] Andrs-Toro, B., Modelizacin, optimizacin y control de un proceso cervecero Industrial. Tesis Doctoral. 1996 [5] Besada-Portas, E. Lpez-Orozco, J.A., Andrs-Toro. B. (2001). A versatile toolbox for solving industrial problems with several evolutionary techniques. EUROGEN2001. [6] Coello Coello, C.A. (1999). An Updated Survey of GA-Based Multiobjective Optimization Techniques. ACM Computing Surveys. Junio 2000. [7] Esteban, E., Girn Sierra, J.M., De la Cruz, J.M., Andrs-Toro, B. Predictive perturbation cancelling for seakeeping improvement of a fast ferry. European Control Conference. ECC01. Ed: J.L.Martins de Carvalho, FACC Fontes e MR. Pinho.Porto, Portugal. ISBN: 972-752-047-2. 2001.

[8] Fonseca, C. M. and P.J. Fleming (1998). Multiobjective Optimization and Multiple Constraint Handling with Evolutionary Algorithm-Part I: Unified Formulation. IEEE Transactions on Systems, Man, and Cybernetics. Part A: Systems and Humans. vol. 28, n 1. 1998. [9] Goldberg, D. E. Genetic Algorithms in Search, Optimization and Machine Learning. Addison-Wesley Publishing Co., Inc., Redwood City, Ca. 1989. [10] Knowles,J.D., y D. W. Corne. Approximating the Nondominated Front Using the Pareto Archived Evolution Strategy. IEEE Evolutionary Computation 8(2):149-172. 2000. [11] Michalewicz, Z. Genetic Algoritm + Data Structures = Evolution Programs. Edition. Springer-Verlag. 1999. [12] Miettinen, K. M. Nonlinear Multiobjective Optimization. Kluwer Academic Publishers. 1999. [13] Moscato, P. On evolution, search, optimization, genetic algorithms and material arts: towards memetic algorithms. Technical Report Computation Program, Californian Institute of Technology, U.S.A. 1989. [14] Ramirez, W. F. Process Control and Identification. Academic Press. 1994. [15] Torija Isasa, M., Diez Marquez, C., Cmara Hurtado,M., Andrs Toro, B., Girn -Sierra, JM. Evolucin de los azcares solubles en la fermentacin experimental para la obtencin de cerveza. Alimentacin, Equipos y Tecnologa. Ed. Alcin. n 4 Mayo 1997.